我們假設計算機運行一行基礎代碼需要執行一次運算。
int aFunc(void) {
printf("Hello, World!\n"); // 需要執行 1 次
return 0; // 需要執行 1 次
}
那麼上面這個方法需要執行 2 次運算
int aFunc(int n) {
for(int i = 0; i<n; i++) { // 需要執行 (n + 1) 次
printf("Hello, World!\n"); // 需要執行 n 次
}
return 0; // 需要執行 1 次
}
這個方法需要 (n + 1 + n + 1) = 2n + 2 次運算。
我們把 算法需要執行的運算次數 用 輸入大小n 的函數 表示，即 T(n) 。
此時爲了 估算算法需要的運行時間 和 簡化算法分析，我們引入時間複雜度的概念。
定義：存在常數 c 和函數 f(N)，使得當 N >= c 時 T(N) <= f(N)，表示爲 T(n) = O(f(n)) 。
如圖：
當 N >= 2 的時候，f(n) = n^2 總是大於 T(n) = n + 2 的，於是我們說 f(n) 的增長速度是大於或者等於 T(n) 的，也說 f(n) 是 T(n) 的上界，可以表示爲 T(n) = O(f(n))。
因爲f(n) 的增長速度是大於或者等於 T(n) 的，即T(n) = O(f(n))，所以我們可以用 f(n) 的增長速度來度量 T(n) 的增長速度，所以我們說這個算法的時間複雜度是 O(f(n))。
算法的時間複雜度，用來度量算法的運行時間，記作: T(n) = O(f(n))。它表示隨着 輸入大小n 的增大，算法執行需要的時間的增長速度可以用 f(n) 來描述。
顯然如果 T(n) = n^2，那麼 T(n) = O(n^2)，T(n) = O(n^3)，T(n) = O(n^4) 都是成立的，但是因爲第一個 f(n) 的增長速度與 T(n) 是最接近的，所以第一個是最好的選擇，所以我們說這個算法的複雜度是 O(n^2) 。
那麼當我們拿到算法的執行次數函數 T(n) 之後怎麼得到算法的時間複雜度呢？
- 我們知道常數項對函數的增長速度影響並不大，所以當 T(n) = c，c 爲一個常數的時候，我們說這個算法的時間複雜度爲 O(1)；如果 T(n) 不等於一個常數項時，直接將常數項省略。
比如
第一個 Hello, World 的例子中 T(n) = 2，所以我們說那個函數(算法)的時間複雜度爲 O(1)。
T(n) = n + 29，此時時間複雜度爲 O(n)。
- 我們知道高次項對於函數的增長速度的影響是最大的。n^3 的增長速度是遠超 n^2 的，同時 n^2 的增長速度是遠超 n 的。 同時因爲要求的精度不高，所以我們直接忽略低此項。
比如
T(n) = n^3 + n^2 + 29，此時時間複雜度爲 O(n^3)。
- 因爲函數的階數對函數的增長速度的影響是最顯著的，所以我們忽略與最高階相乘的常數。
比如
T(n) = 3n^3，此時時間複雜度爲 O(n^3)。
綜合起來：如果一個算法的執行次數是 T(n)，那麼只保留最高次項，同時忽略最高項的係數後得到函數 f(n)，此時算法的時間複雜度就是 O(f(n))。爲了方便描述，下文稱此爲 大O推導法。
由此可見，由執行次數 T(n) 得到時間複雜度並不困難，很多時候困難的是從算法通過分析和數學運算得到 T(n)。對此，提供下列四個便利的法則，這些法則都是可以簡單推導出來的，總結出來以便提高效率。
- 對於一個循環，假設循環體的時間複雜度爲 O(n)，循環次數爲 m，則這個
循環的時間複雜度爲 O(n×m)。
void aFunc(int n) {
for(int i = 0; i < n; i++) { // 循環次數爲 n
printf("Hello, World!\n"); // 循環體時間複雜度爲 O(1)
}
}
此時時間複雜度爲 O(n × 1)，即 O(n)。
- 對於多個循環，假設循環體的時間複雜度爲 O(n)，各個循環的循環次數分別是a, b, c...，則這個循環的時間複雜度爲 O(n×a×b×c...)。分析的時候應該由裏向外分析這些循環。
void aFunc(int n) {
for(int i = 0; i < n; i++) { // 循環次數爲 n
for(int j = 0; j < n; j++) { // 循環次數爲 n
printf("Hello, World!\n"); // 循環體時間複雜度爲 O(1)
}
}
}
此時時間複雜度爲 O(n × n × 1)，即 O(n^2)。
- 對於順序執行的語句或者算法，總的時間複雜度等於其中最大的時間複雜度。
void aFunc(int n) {
// 第一部分時間複雜度爲 O(n^2)
for(int i = 0; i < n; i++) {
for(int j = 0; j < n; j++) {
printf("Hello, World!\n");
}
}
// 第二部分時間複雜度爲 O(n)
for(int j = 0; j < n; j++) {
printf("Hello, World!\n");
}
}
此時時間複雜度爲 max(O(n^2), O(n))，即 O(n^2)。
- 對於條件判斷語句，總的時間複雜度等於其中 時間複雜度最大的路徑 的時間複雜度。
void aFunc(int n) {
if (n >= 0) {
// 第一條路徑時間複雜度爲 O(n^2)
for(int i = 0; i < n; i++) {
for(int j = 0; j < n; j++) {
printf("輸入數據大於等於零\n");
}
}
} else {
// 第二條路徑時間複雜度爲 O(n)
for(int j = 0; j < n; j++) {
printf("輸入數據小於零\n");
}
}
}
此時時間複雜度爲 max(O(n^2), O(n))，即 O(n^2)。
時間複雜度分析的基本策略是：從內向外分析，從最深層開始分析。如果遇到函數調用，要深入函數進行分析。
最後，我們來練習一下
一. 基礎題
求該方法的時間複雜度
void aFunc(int n) {
for (int i = 0; i < n; i++) {
for (int j = i; j < n; j++) {
printf("Hello World\n");
}
}
}
參考答案：
當 i = 0 時，內循環執行 n 次運算，當 i = 1 時，內循環執行 n - 1 次運算……當 i = n - 1 時，內循環執行 1 次運算。
所以，執行次數 T(n) = n + (n - 1) + (n - 2)……+ 1 = n(n + 1) / 2 = n^2 / 2 + n / 2。
根據上文說的 大O推導法 可以知道，此時時間複雜度爲 O(n^2)。
二. 進階題
求該方法的時間複雜度
void aFunc(int n) {
for (int i = 2; i < n; i++) {
i *= 2;
printf("%i\n", i);
}
}
參考答案：
假設循環次數爲 t，則循環條件滿足 2^t < n。
可以得出，執行次數t = log(2)(n)，即 T(n) = log(2)(n)，可見時間複雜度爲 O(log(2)(n))，即 O(log n)。
三. 再次進階
求該方法的時間複雜度
long aFunc(int n) {
if (n <= 1) {
return 1;
} else {
return aFunc(n - 1) + aFunc(n - 2);
}
}
參考答案：
顯然運行次數，T(0) = T(1) = 1，同時 T(n) = T(n - 1) + T(n - 2) + 1，這裏的 1 是其中的加法算一次執行。
顯然 T(n) = T(n - 1) + T(n - 2) 是一個斐波那契數列，通過歸納證明法可以證明，當 n >= 1 時 T(n) < (5/3)^n，同時當 n > 4 時 T(n) >= (3/2)^n。
所以該方法的時間複雜度可以表示爲 O((5/3)^n)，簡化後爲 O(2^n)。
可見這個方法所需的運行時間是以指數的速度增長的。如果大家感興趣，可以試下分別用 1，10，100 的輸入大小來測試下算法的運行時間，相信大家會感受到時間複雜度的無窮魅力。
參考鏈接：https://www.jianshu.com/p/f4cca5ce055a